Stabilisierung des GCAI-Brennverfahrens durch die Nutzung innerzyklischer Korrelationen

• Antragsteller: Professor Dr.-Ing. Jakob Andert; Professor Dr.-Ing. Stefan Pischinger
• Fachliche Zuordnung: Strömungs- und Kolbenmaschinen ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2016
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 277012063

Der Bedarf an Mobilität steigt stetig, gleichzeitig rücken steigende Freisetzung von anthropogenen CO2 aus fossilen Quellen sowie lokale Luftverschmutzungen zunehmend in den Fokus. Die Forschung an energieeffizienten und schadstoffarmen Fahrzeugantrieben kann hier einen wichtigen Beitrag leisten. Die ottomotorische kontrollierte Selbstzündung (GCAI) stellt einen vielversprechenden Ansatz dar, sowohl den Wirkungsgrad zu steigern als auch die Schadstoffemissionen zu reduzieren. Der Nutzung von GCAI stehen jedoch noch ungelöste Herausforderungen, wie die charakteristische Prozesscharakteristik mit autoregressiver Zyklenkopplung und die Abhängigkeit der Verbrennungsstabilität von den thermodynamischen Randbedingungen, entgegen. Ferner ist die Einschränkung des Kennfeldbereichs anzuführen. Um sowohl den transienten Betrieb zu ermöglichen als auch den möglichen Kennfeldbereich zu erweitern, liegt ein Fokus der Forschungsarbeiten auf regelungstechnisch basierten Konzepten. Es wird ein neuartiger optimierungsbasierter Multiskalenregelansatz zur Stabilisierung des GCAI-Brennverfahrens durch die Nutzung innerzyklischer Korrelationen verfolgt. In der ersten Projektphase konnte das Potential der In-Zyklus-Regelung bereits erfolgreich aufgezeigt werden.Von entscheidender Relevanz für modellbasierte Regelungen ist die Vorhersagegenauigkeit bei stochastisch auftretenden Ausreißerzyklen sowie der damit verbundenen Zyklenkopplung. Ein Schwerpunkt der experimentellen Arbeiten liegt auf der Methodik zur Erfassung des autoregressiven Charakters des Brennverfahrens durch transiente Anregungen. Aufgrund der Charakterisierung als Markov-Prozess wird davon ausgegangen, dass maschinelles Lernens (z.B. Reinforcement Learning) entscheidende Vorteile hat, die von konventionellen Methoden nicht erreicht werden können. Es sollen maßgeschneiderte Algorithmen zur Vermessung des GCAI-Prozesses entwickelt werden, um eine breite Datenbasis mit transienten Daten zur Systemidentifikation zu erzeugen. Ein Fokus der Prozessmodellierung liegt auf den Emissionen, um diese später in die Kostenfunktion der nichtlinearen modellprädiktiven Regelung einbinden zu können.Die Niedertemperaturkinetik ist stark abhängig von den thermodynamischen Randbedingungen, welche nicht direkt erfasst werden können. Zusätzliche Sensorkonzepte wie die Messung des Ionenstroms haben das Potential, den chemisch/thermodynamischen Zustand im Zylinder genauer zu bestimmen und in der Folge die Modellierung und Regelung zu verbessern. In Zusammenarbeit mit TP6 soll das Ionenstromsignal soweit analysiert werden, dass es als zusätzliche Eingangsgröße für den Regler verwendet werden kann. Über den Stand der Forschung hinaus sollen vor allem die Informationen aus dem Ionenstromsensor zur Verbesserung der Modelle verwendet werden. Schließlich wird untersucht, inwiefern sich der Ionenstrom als zusätzliche Sensorgröße zur Einbindung in die Regelung eignet. Die Regelung wird abschließend in MiL- und HiL-Betrieb validiert.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 2401: Optimierungsbasierte Multiskalenregelung motorischer Niedertemperatur-Brennverfahren